嘿,你喜欢小芝麻吗?听说攒的多了,就能芝麻开门了哦
写在前面 没有记录就等于没有发生,我要用自己的方式,去诉尽这平凡而可贵的旅途!本系列旨在复习回顾,无法面面俱到,也不可能普适,系统梳理真的比较吃力,也可能是笔者功力尚浅。不过还好,我在路上!复习时需要比对公式理解,这样概念才能不断深化,笔者仅仅做到了概括要点。不管怎样,于你于我,都希望有所收获。 特此声明,文中大部分图片及文字叙述源自任课焦老师课件。感谢老师一学期以来的悉心讲解 文中不当之处欢迎指正! 【目录】序言
发展历史
研究领域
概论
数学基础
习题演练
【序言】
课程已接近尾声,原本以为神圣不可捉摸,但也在不断地学习中落地实践。 最优,可以理解为人总是追求向好的一面,希望有较好的结果。但是并非事事有“最”,而是 事事都有“更”,在寻找更的旅途中,可能没有尽头,也可能转角就遇到最美的结果。 在学习这门课的同时,选修了《数学模型》的课程,二者在某些地方相互融合让我对知识之间的联系更加向往。我能感受到,在我以后的学习中,这门课程会像源头一样不断地滋养着其他领域,同样,也会在不同领域生发出更梦幻的科学。【发展历史】
1.人类智能优化:与人类史同步,凭借人的直觉或逻辑思维;2.数学规划方法优化:自牛顿发明微积分算起,电子计算机不断推动数学规划方向发展;3.工程优化:基于经验和直觉的方法在处理多目标工程优化问题中有更多应用;4.现代优化算法:遗传算法、粒子群优化算法、蚁群优化算法、模拟退火算法……【研究领域】
运输问题、车辆调度、工程设计、结构设计、资源分配、无线网络、化工处理、电子工业等。图源任课焦老师课件
【概论】
数学模型
相当于为解决同一类问题创造了一个“模具”,对于同种类型的不同问题,只要每次改变不同参数的值即可得到理想的结果。
三要素:决策变量和参数、目标函数、约束条件
解决投资收益与风险问题时的建模图,旨在理解三要素在模型中的具体形式
最优化问题求解两个关键步骤:建模、求解
本课程重在如何求解,即使用尽可能合适的算法去解决相应的问题,以得到“最优解”。
相关概念
可行解/可行点
最优解(全局最优解、局部最优解、严格最优解)
求解算法
公式解算法(精确解)
费马定理:对可导函数求导数为0的点;
拉格朗日乘数法:求解带等式约束的极值问题;
KKT条件:求解既带有等式约束,又带有不等式约束的极值问题。数值优化算法
梯度下降法:利用当前位置负方向作为搜索方向;
随机梯度下降法:每个数据计算损失函数,再求梯度更新参数,计算速度快;动量项:加速梯度下降法的收敛速度,减少震荡;Adam:累积了梯度平方和(整合了自适应学习率)与动量项;AdaGrad:相比于标准梯度下降法可自动变更学习率;RMSProp:缓解了AdaGrad学习率下降较快的问题; AdaDelta:避免了长期积累梯度值所导致的学习率趋于0的问题。牛顿法:利用一阶和二阶导数的无约束目标最优化方法;可信域牛顿法:调整牛顿方向的步长以实现收敛到最优解和序列递减;拟牛顿法:改善牛顿法每次求解海森矩阵逆矩阵的复杂度,使用正定矩阵近似;DFP、BFGS、L-BEGS。分治法:将大问题分解为子问题求解
动态规划步骤
离散优化:针对于只能取离散值的函数
图源任课焦老师课件
问题分类
图源任课焦老师课件
【数学基础】
向量知识与范数理论
二次型与正定矩阵
方向导数与梯度
海森矩阵及泰勒展式
图源任课焦老师课件
极小点判定条件
定理证明过程
锥、凸集及其性质
定理:
1.任意一组凸集的交仍然是凸集。
2.凸集分离定理
图源任课焦老师课件
注意:空集是凸集,空间R^n、半空间、超平面、直线、点、球都是凸集。
拓展:超平面是n维线性空间内维数为n-1的平坦子集。
凸函数及其性质!!!
函数正定性的判别!!!
判定定理及证明
【习题演练】
(没钱充会员.jpg)
(不得不说,还是微信推送深得我心,幕布思维导图生成不美观,图片上传大小也有限制,所以今日真真切切又敲了一遍,哭辽。不过值得值得哈哈!)
点击图片给我留言,我们聊聊芝麻叭好不好